Exemple pour la fonction Ajuster le modèle de Cox sous forme de processus de comptage

Les chercheurs médicaux veulent déterminer le taux de réussite de la récupération d’une greffe de moelle osseuse comme traitement de la leucémie aiguë. Le rétablissement dépend de facteurs tels que celui du patient Catégorie de risque au moment de la transplantation, son nombre de Stade de la maladie plaquettes et si son nombre de plaquettes est revenu à des niveaux normaux. Catégorie de risque et Stade de la maladie sont des prédicteurs fixes parce qu’ils ne changent pas tout au long de l’étude. Cependant, la numération plaquettaire d’un patient est un prédicteur dépendant du temps, car la numération peut changer pendant le processus de récupération.

Les chercheurs médicaux étudient 137 patients après avoir reçu la greffe et enregistrent le nombre de jours où ils sont exempts de maladie. Un patient n’est pas institué s’il meurt avant que sa numération plaquettaire ne revienne à la normale ou si sa leucémie revient après que sa numération plaquettaire soit revenu à la normale. Une valeur de Oui indique un patient exempt de maladie et est une observation censurée. Une observation censurée est lorsque l’événement ne se produit pas à la fin du temps d’observation.

Les données sont dans le formulaire de processus de comptage, ce qui signifie que plusieurs lignes représentent chaque patient. Chaque ligne décrit un intervalle de temps où les valeurs de toutes les variables sont constantes. Les prédicteurs dépendant du temps changent entre les lignes. Les intervalles commencent juste après l’heure de début et incluent l’heure de fin.

Par exemple, le tableau suivant contient les données pour le patient avec un PIÈCE D’identité de 1. Les valeurs observées de Catégorie de risque et Stade de la maladie sont les mêmes dans chaque ligne parce que ces prédicteurs sont fixes. Étant donné qu’une numération plaquettaire normale peut changer au cours de l’étude, chaque patient a besoin d’une nouvelle rangée de données chaque fois que ce prédicteur change. La première rangée montre que le patient n’avait pas une numération plaquettaire normale dans l’intervalle des 13 premiers jours après la greffe. La deuxième rangée montre que le patient avait une numération plaquettaire normale après le jour 13 jusqu’à la fin de l’étude le jour 2 081.

PIÈCE D’identité Catégorie de risque Heure de début Heure de fin Exempt de maladie Plaquettes normales Stade de la maladie
1 1 0 13 Oui Non Normal
1 1 13 2081 Oui Oui Normal
Remarque

Ces données ont été adaptées à partir d’un ensemble de données publiques de Copelan qui se trouve dans Klein et Moeschberger (2003)1.

  1. Ouvrez les données échantillons, Moelleosseuse.MTW.
  2. Sélectionnez Stat > Fiabilité/Survie > Régression de Cox > Ajuster le modèle de Cox sous forme de processus de comptage.
  3. Dans Temps de début, saisissez Heure de début. Dans Temps de fin, saisissez Heure de fin.
  4. Dans Colonne de troncature (facultatif), saisissez Exempt de maladie. Dans Valeur de troncature, sélectionnez Oui.
  5. Dans Prédicteurs de catégorie, saisissez Catégorie de risque, Plaquettes normales, et Stade de la maladie.
  6. Sélectionnez Options. Dans Identification de cas (pour résiduelles du sujet), saisissez PIÈCE D’identité.
  7. Cliquez sur OK dans chaque boîte de dialogue

Interpréter des résultats

Tout d’abord, les chercheurs utilisent les tests de qualité d’ajustement pour évaluer l’ajustement global du modèle. Les valeurs de p pour les 3 tests sont inférieures à 0,05, de sorte que les chercheurs concluent que le modèle correspond bien aux données. Ensuite, les chercheurs utilisent le tableau ANOVA pour évaluer l’effet des termes individuels. Les valeurs p pour les 3 termes sont significatives à un niveau de 0,05. Par conséquent, les chercheurs médicaux concluent que la catégorie de risque du patient au moment de la transplantation, son stade pathologique et si son nombre de plaquettes est à des niveaux normaux ont tous un effet statistiquement significatif sur le fait qu’un patient se rétablisse d’une greffe de moelle osseuse.

Les chercheurs utilisent le tableau Risques relatifs pour les prédicteurs catégoriels pour évaluer le risque entre les différents niveaux des prédicteurs. Par exemple, le risque de décès ou de récidive de la leucémie chez les patients avec des plaquettes normales est 0,37 fois inférieur à celui d’un patient sans plaquettes normales. De plus, l’intervalle de confiance montre que le risque réel de décès ou de récidive pour les patients présentant des plaquettes normales pourrait être aussi peu que 0,19 fois ou jusqu’à 0,7 fois moins que le risque pour les patients sans plaquettes normales, au niveau de confiance de 95%. L’intervalle de confiance ne contient pas 1, de sorte que la différence entre le risque de décès ou de récidive chez les patients avec et sans plaquettes normales est statistiquement significative.

Méthode

Type de modèle de CoxFormulaire de processus de comptage
Codage des prédicteurs de catégorie(1; 0)
Ajustement des nombres de même grandeurEfron
Lignes non utilisées1

Informations de troncature

Unités non
tronquées
Unités
tronquées
TotalPourcentage
tronqué
8317325667,58%
Valeur de troncature : Exempt de maladie = Oui

Equation de régression

Score de risque=0,0 Catégorie de risque_1 - 0,793 Catégorie de risque_2
- 0,033 Catégorie de risque_3 + 0,0 Plaquettes normales_Non
- 1,004 Plaquettes normales_Oui + 0,0 Stade de la maladie_Risque élevé
- 0,696 Stade de la maladie_Normal

Coefficients

TermeCoeffCoef ErTValeur de ZValeur de p
Catégorie de risque       
  2-0,7930,321-2,470,014
  3-0,0330,325-0,100,919
Plaquettes normales       
  Oui-1,0040,332-3,020,003
Stade de la maladie       
  Normal-0,6960,275-2,530,011

Risques relatifs pour les prédicteurs de catégorie

Niveau ANiveau BRisque
relatif
IC à 95 %
Catégorie de risque     
  210,4524(0,2409; 0,8495)
  310,9673(0,5116; 1,8290)
  322,1383(1,2487; 3,6616)
Plaquettes normales     
  OuiNon0,3666(0,1912; 0,7029)
Stade de la maladie     
  NormalRisque élevé0,4986(0,2909; 0,8547)
Risque pour le niveau A par rapport au niveau B

Récapitulatif du modèle

ModèleLog de
vraisemblance
R carréAICAICcBIC
Sans termes-373,30746,59746,59746,59
Avec termes-358,6011,47%725,20725,71734,88

Tests d'adéquation de l'ajustement

TestDLKhi deuxValeur de p
Rapport de vraisemblance429,390,000
Wald432,470,000
Score435,220,000

Analyse de la variance



Test de Wald
SourceDLKhi deuxValeur de p
Catégorie de risque29,770,008
Plaquettes normales19,130,003
Stade de la maladie16,410,011
1 Klein, J.P. & Moeschberger, M.L. (2003). Semiparametric proportional hazards regression with fixed covariates. Survival Analysis: Techniques pour les données censurées et tronquées (2e éd., p. 243-293). Springer